[发明专利]一种基于深度学习的行人奔跑行为检测方法及相关组件

说明书

本发明公开了一种基于深度学习的行人奔跑行为检测方法及相关组件，方法包括：构建头肩检测模型；利用头肩检测模型对监控视频画面进行检测，得到监控视频画面中的行人头肩框；对所述监控视频画面中的行人头肩框进行跟踪，得到行人的运动轨迹；建立监控视频画面中每个像素点尺寸与实际场景尺寸之间的映射关系；计算行人在指定时间段内的运动距离；根据行人在指定时间段内的运动距离计算行人在所述指定时间段内的平均速度，并将所述平均速度与预设的速度阈值进行比较，若所述平均速度大于所述速度阈值，则判定所述行人处于奔跑状态，若所述平均速度小于所述速度阈值，则判定所述行人处于非奔跑状态。本发明具有精度高、速度快、实时性强等优点。

技术领域

本发明涉及运动检测领域，特别涉及一种基于深度学习的行人奔跑行为检测方法及相关组件。

背景技术

随着经济社会的迅速发展以及城市化的加速，现代城市人口数量日趋增长，公共场所的安全事故频繁发生。为了遏制安全事故的发生，世界各国的监管机构均在公共场所安装大量的监控视频，用于监测及预防突发事件，以保障公共场所的安全，维持社会的长治久安。因此，公共场所行人异常行为的监测，也受到了相关管理部门的重视，及时的监测公共场所行人异常行为，并安排相应的保护措施，对于预防及降低突发事件的发生是很有必要的。然而，随着监控视频数量的增加，针对监控视频下大量的行人异常行为，依靠传统人眼识别的方法，无法达到大规模且高效的分析。

利用计算机系统对监控视频进行监测，其可根据实时情况更好的进行现场管控。目前检测行人奔跑的技术主要有以下几种：

1、基于检测图像上的Harris(哈里斯)角点，采用光流法对这些角点进行跟踪并提取出产生运动的角点，进而获得运动角点在视频序列中连续两帧间的运动向量，计算出人群整体的运动速度，从而检测人群的奔跑行为。

2、基于混合高斯分布的背景模型的前景提取方法，根据不同高斯分布在时间窗口内的发生频率更新相应高斯分布的权值，提取出完整的运动前景。并标记已提出的前景掩码，根据Lucas-Kanade(LK光流算法)方法计算出运动目标的光流信息，并采用基于幅值的加权方向直方图描述人体运动剧烈程度，再计算出运动区域内的熵来判断行为的异常。

3、基于传统的背景建模方法，检测视频中的运动目标，然后判别运动目标是否为人体，对于人体目标，提取运动矢量特征，采用SVM(支持向量机)方法进行特征分类，判断人体是否处于奔跑状态。

在监控视频中，存在着行人稀疏及行人密集的情况，不管是基于传统的方法还是基于深度学习的方法，在行人密集的情况下，其都容易受到遮挡情况的影响造成运动目标难以检测及跟踪，此时无法有效地检测出目标行人的运动状态。另外在建模过程中需要保存大量的目标数据，容易受到背景更新、光照变化、阴影及其他干扰，造成背景容易被误检为前景、运动目标不完整等问题。在行人较多的区域容易存在遮挡等现象，采用背景建模方法提取出的运动目标不准确，容易造成检测率偏低，前后帧目标差异大，无法正确的判断运动目标的运动程度。

发明内容

本发明的目的是提供一种基于深度学习的行人奔跑行为检测方法及相关组件，旨在解决现有行人奔跑行为检测技术存在的准确率低、容易受干扰、实时性不高的问题。

第一方面，本发明实施例提供一种基于深度学习的行人奔跑行为检测方法，其中，包括：

建立头肩数据集，并采用深度学习目标检测算法进行模型训练，得到头肩检测模型；

利用所述头肩检测模型对监控视频画面进行检测，得到监控视频画面中的行人头肩框；

基于目标跟踪算法对所述监控视频画面中的行人头肩框进行跟踪，得到行人的运动轨迹；

建立监控视频画面中每个像素点尺寸与实际场景尺寸之间的映射关系；

基于所述行人的运动轨迹以及所述映射关系，计算所述行人在指定时间段内的运动距离；